论文速递

针对稀疏测量到稠密 HRTF 的上采样受固定测量布局限制的问题，GeoAtt 用逐频点查询条件空间聚合加 Conformer 频率建模实现单个模型适配多种布局，在 SONICOM 四个 LAP 布局上报告了最低对数谱失真，但受限测量覆盖下误差仍明显上升且代码权重本次未能确认可达。

针对多轮多模态对话中风格稀疏且易漂移说话人音色的问题，论文用显式风格指令拆开感知与合成，并用迭代拒绝采样与上下文偏好优化对齐生成器，在保持音色与可懂度的同时提升指令遵循与情境适配，但细粒度句内动态仍未解决。

针对语音模型泛化不到环境音、频谱模型保不住语音时序的问题，JASPER 在共享 Transformer 上联合预测时域伪标签与频域块标签，原文报告 2000 小时下平均准确率 81.74% 与 XARES-LLM 两轨 0.66 和 0.50 的领先均值，但频谱权重极偏向 0.01 且推理仍只用波形输入。

KeyBound 把 16 比特载荷先用密钥掩码再经宿主频谱调制嵌入，以存在检测与密钥解码分离的验证规则做归属，在谱去噪下保持检测 1.00 与比特精度 0.98，代价是宽带感知质量降到 3.03 且自适应重构移除仍能抹掉水印。

针对波形水印经神经编解码重合成后易失效的问题，论文用冻结 EnCodec 连续潜变量上的前馈加性扰动做 16 比特水印，在重复与低码率 EnCodec 重合成下退化更平缓，但端到端音质受限于编解码器载体本身。

该研究把固定零向量换成每个条件各学一个无条件嵌入，并在相同训练步数与数据下比较固定与可学习两种做法，最强证据是可学习基线在大引导权重下更稳定，代价是说话人保真提升时绝对质量分可能下降且需要分别调节两个权重。

针对多人演唱与密集伴奏下的目标歌声分离，MambaVoice 用对数分频音频编码加面部动作门控做条件，再以先 Mamba 后 Transformer 的混合主干建模，报告在 Acappella 未见未闻测试上以 16.2M 参数取得 14.18 dB SDR，并在 URSing 跨域与推理耗时上给出对照，代价是强干扰下仍略低于 VoViT 基线且主观评测样本 …

MIDIBack 把自动音高校正做成在统一符号序列上结合伴奏预测人声音符的任务，报告显示完整训练下总体 RPA 为 78.6%，而去掉伴奏后 Outshift 下 RPA 从 81.5% 降到 35.8%，代价是评估仍基于转录伪目标和合成走音而非人耳听感。

该文把瓶颈适配器装进冻结解码器每一层并用输入成分做二进制门控，使旧模态走原计算图实现逐位不变，同时用对照实验显示音频检索提升与热成像包的可组合性，代价是新增模态的文本混排输入属于新行为且双门同开不在保证内。

TinyCall 针对窄带应急语音在 2.3 kbps 下采用因果 SEANet 编码器加 Vocos 式频谱解码器与残差有限标量量化实现流式重建，流式相对离线仅从 PESQ 1.3197 降到 1.2994，但伪前视引入一帧算法延迟且未完全消除边界失真。

论文针对固定窗口把延迟与重叠一律判错的问题，用六类意图后验与人类轮换偏移分布加权连续打分，在 9728 个回合上显示最强系统综合分 0.47 远低于人类 0.86 且与人评一致性更高，但代价是需要多标注者意图标注与分人群拟合的参考分布。

针对神经编解码器重合成会抹掉波形域水印的问题，NeuMark 把 16 比特消息分布嵌入 SpeechTokenizer 的 8 路残差量化潜变量并用失真增强训练检测与解码，其代价是潜变量方法的透明度受限于编解码器自身重建质量并需区分原始参考与重建参考。

该文用帧级二值语音活动掩码约束补画式语音合成以对齐源语言静音结构，在 mTEDx 上把帧对齐准确率从约 73% 提升到约 96%，而主观自然度无显著下降，代价是在翻译时长严重失配时出现可复述的删词、重复与重排。

针对通用多模态只学语义对齐而缺物理量监督的问题，OmniFysics-Nano-V2 用静态属性 grounding 与动态视听事件对齐的双分支数据加两阶段 GRPO，在 21 项中 17 项领先同类全模态模型，代价是依赖商用大模型标注与多阶段训练流程。

该研究用条件流匹配网络回归 kNN 生成的源到伪目标位移，以交叉注意力与 FiLM 注入目标说话人条件并比较三条高斯路径，在 LibriSpeech 上以单步推理改善可懂度与估计质量，代价是目标说话人验证相似度低于 kNN 与音素幻觉器。

论文把文本图像视频音频放进同一个共享主干做任意到任意检索，用四阶段对比训练与同源采样和蒸馏优化，在 MMEB-v3 等基准上取得领先，但多条件文本与记忆检索仍有短板且低维压缩在细粒度任务上损失更大。

Passing 把一段多摩单轨车窗连续录像堆成时空体并沿非线性截面重采样出无尽画面，再用去掉视觉语义分支、只留时间对齐与车内环境声语义锚定的 SpecMaskFoley 实时生成同步声，代价是最终展览声景没有可复算的客观正确性指标，只能靠现场稳定性和艺术协商来收敛。

针对可修订流式语音到文本翻译中可见草稿会奖励随后被撤回内容的问题，论文提出持续交付优化，用留存前缀的参考覆盖累积中间奖励并单独计最终质量，在 7.49 小时 FLEURS 适配下相对 History-SFT 降低平均与 P90 终结感知延迟 10.8% 与 11.3% 并降低归一化擦除 15.8%，代价是需要完整轨迹回放计算回报且中间奖励依赖词面覆盖。

针对日本长期照护高龄有症状人群的六通道前胸数字听诊任务，论文用 X 线监督训练共享权重 ARP-N 卷积网络并在病人级重复交叉验证下比较临床诊断监督，最强证据是听诊单模态 XRAY 模型 F1 为.729、准确率为.783 而融合模型 AUC 为.791，代价是单中心 185 例与域漂移限制外推。

该文在 Lyra 舞蹈子集上用音频、视频、骨架三模态做 28 标签自动打标，报告最强三模态门控融合宏 ROC-AUC 为 0.864，超过最强音频单模态 0.821，但骨架单模态仅 0.586 且约半数片段缺有效姿态。